Synteettisen käyttäjän dilemma

KTT Joni Salminen, Vaasan yliopisto
Jyväskylä, 7.6.2024

Transcript

1. Synteettisen käyttäjän dilemma KTT Joni Salminen, Vaasan yliopisto Jyväskylä, 7.6.2024
2. Tiivistelmä Kun markkinoijilla ja muilla päätöksentekijöillä ei ole suoraa pääsyä kuluttajiin tai käyttäjiin, sovelletaan usein keinotekoisia ns. sijaiskäyttäjiä, jotka ovat epäaitoja mutta realistisia kuvauksia käyttäjäryhmistä. Esitelmä käsittelee generatiivisen tekoälyn asettamaa haastetta, jossa nämä sijaiskäyttäjät eivät pohjaudu suoraan mihinkään asiakasdataan, mutta ovat silti erittäin uskottavia. Harry, alkoholiriippuvainen sotaveteraani [1] [1] Salminen, J., Liu, C., Pian, W., Chi, J., Häyhänen, E., & Jansen, B. J. (2024). Deus Ex Machina and Personas from Large Language Models: Investigating the Composition of AI-Generated Persona Descriptions. Proceedings of the CHI Conference on Human Factors in Computing Systems, 1–20. https://doi.org/10.1145/3613904.3642036
3. Persoonateoria • Käyttäjän näkökulma on tärkeä kun kehitetään ohjelmistojärjestelmiä (ja oikeastaan mitä tahansa tuotteita) • Kehittäjillä ei ole aina käyttäjiin pääsyä, jolloin he saattavat kuvitella käyttäjän tarpeita tai kehittää omien mielipiteidensä pohjalta • Käyttäjäpersoonat ovat fiktiivisiä mutta realistisia henkilöitä, jotka kuvaavat oikeita käyttäjäryhmiä (”segmenttejä joilla on nimi ja kasvot”)
4. Hyötyä ja haastetta • Markkinointitutkimuksessa ja käyttäjäkokemuksen suunnittelussa on perinteisesti käytetty sijaiskäyttäjiä. Nämä ovat fiktiivisiä profiileja, jotka edustavat todellisia käyttäjäryhmiä ja auttavat ymmärtämään käyttäjien tarpeita ja käyttäytymistä. • Kommunikointi tiimin sisällä, ”jaettu mentaalimalli” keskeisistä käyttäjäpersoonista (yleensä 3-5 kappaletta)  päätöksentekoväline (käyttäjälähtöinen kehitys) • Uudempi teknologia, kuten generatiivinen tekoäly (esim. GPT-4, DALL-E), voi luoda erittäin uskottavia kuvauksia ja simulointeja, jotka eivät perustu suoraan asiakasdataan (multimodaalisuus).
6. Dilemma Generatiivinen tekoäly pystyy tuottamaan hyvin realistisia kuvauksia ja käyttäjäprofiileja ilman suoraa pääsyä asiakasdataan. Tämä voi olla sekä mahdollisuus että haaste. Mahdollisuus siksi, että voidaan luoda nopeasti ja kustannustehokkaasti realistisia käyttäjäskenaarioita, mutta haaste, koska nämä eivät perustu todelliseen käyttäjädataan ja voivat johtaa harhaan. • Kun käytetään generatiivista tekoälyä luomaan sijaiskäyttäjiä, nousevat esiin kysymykset eettisyydestä ja läpinäkyvyydestä. Miten varmistetaan, että luodut profiilit todella edustavat käyttäjiä? (vinoumat, stereotypiat, hallusinaatio)
7. Ratkaisu dilemmaan • Helppo ratkaisu: pohjataan persoonat aitoon, yrityksen keräämään ja omistamaan käyttäjädataan kielimallin yleisen (ja kenties stereotypisen, epätarkan) ymmärryksen sijaan. • Retrieval augmented generation (RAG) eli hakuaugmentointu luonti. • Tulevaisuudessa voidaan nähdä yhä enemmän yhteistyötä generatiivisen tekoälyn ja todellisen käyttäjädatan välillä, jolloin voidaan luoda yhä tarkempia ja realistisempia käyttäjäprofiileja.
8. ”Luo kolme asiakaspersoonaa datasta: ikäjakauma: […], sukupuolijakauma: […], tarpeet: […], haasteet […], tavoitteet […]” retrieval retrieval retrieval retrieval retrieval attribute design Vaihtoehto 1: Jakauman syöttö (kielimalli tekee segmentoinnin ja persoonaluonnin)
9. ”Luo asiakaspersoona datasta: ikä: […], sukupuoli: […], tarpeet: […], haasteet […], tavoitteet […]” retrieval retrieval retrieval retrieval retrieval attribute design Vaihtoehto 2: Arvojen syöttö (jokin toinen taho (ihminen, klusterointialgoritmi) tekee segmentoinnin ja kielimalli persoonaluonnin)
10. Attribuuttisuunnittelu • Konventiot persoonainformaatioksi [1, 2] • Sidosryhmäkartoitus: persoonakäyttäjien informaatiotarpeet tietyssä käyttötapauksessa • Informaatiotarpeet == persoonan sisältö • Informaatiotarpeet voivat olla dynaamisia, jolloin RAGin merkitys korostuu • Persoonaprofiilin luonti ei ole välttämätöntä: tieto persoonasta voisi pohjautua esim. pelkästään jakaumiin ja käyttöliittymänä voi olla chat (piilotettu persoona) [1] Nielsen, L., Hansen, K. S., Stage, J., & Billestrup, J. (2015). A Template for Design Personas: Analysis of 47 Persona Descriptions from Danish Industries and Organizations. International Journal of Sociotechnology and Knowledge Development, 7(1), 45–61. https://doi.org/10.4018/ijskd.2015010104 [2] Salminen, J., Guan, K., Nielsen, L., Jung, S., Chowdhury, S. A., & Jansen, B. J. (2020). A Template for Data-Driven Personas: Analyzing 31 Quantitatively Oriented Persona Profiles. In S. Yamamoto & H. Mori (Eds.), Human Interface and the Management of Information. Designing Information. HCII 2020. (Vol. 12184, pp. 125–144). Springer.
11. Segmentointivaihtoehdot • Kvantitatiivinen data: • Klusterointi, matriisifaktorointi [1], dimensionaalisuuden vähentäminen… • ”Traditionaaliset” data-analyysialgoritmit • (ChatGPT ja muut kielimallit) • Kvalitatiivinen data: • ChatGPT ja muut kielimallit [1] Lee, D. D., & Seung, S. H. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401(6755), 788–791.
12. Persoona-automaation polkuriippuvainen (?) kehitys • VAIHE 1: Persoonaluonti (manuaalinen)  persoonien käyttö (manuaalinen) (n. 2000-2014) • VAIHE 2: Persoonaluonti (automaattinen)  persoonien käyttö (manuaalinen) (n. 2015-2024) • VAIHE 3: Persoonaluonti (automaattinen)  persoonien käyttö (automaattinen) (2025?)
13. Käyttöesimerkkejä • Markkinointikampanjat: Markkinointikampanjoissa voidaan käyttää generatiivista tekoälyä luomaan kohderyhmille suunnattua sisältöä, joka on hyvin kohdennettua ja vastaa persoonien luonnetta. • Tuotekehitys: Tuotekehityksessä voidaan hyödyntää generatiivista tekoälyä simuloimaan eri käyttäjäryhmien tarpeita ja käyttäytymistä, mikä nopeuttaa kehitysprosessia ja vähentää riippuvuutta todellisista käyttäjätutkimuksista. • Markkinoinnin prosesseja voitaisiin automatisoida datavetoisten persoonien avulla (markkinoinnin automaatio).
14. Avoimia kysymyksiä • Kielimallien erikoistaminen (agentti-infrastruktuuri: datan keruu, datan analyysi / segmentointi, persoonan luonti, persoonan käyttö)  yksi tai useampi kielimalli • Agentti: tekee prosessin monta vaihetta itsenäisesti (input -> output -> input -> output…), kun taas ei-agenttipohjainen käyttö tekee vain yhden osan (input -> output) • Ala menossa agenttien luomiseen ja käyttöön • UI-kysymys: tarvitaanko persoonaprofiileja enää? • Automaattinen päätöksentekijä: tarvitaanko ihmispersoonakäyttäjiä enää vai voivatko mallit/järjestelmät käyttää persoonia itsenäisesti päätöksentekoon?
15. Kiitos huomiosta! KTT Joni Salminen Vaasan yliopisto Email: jonisalm@uwasa.fi Persoonajärjestelmä: https://s2p.qcri.org